100天搞定机器学习（100-Days-Of-ML）（八）Numpy数组通用函数

第八天

Numpy数组通用函数

Numpy数组的计算有时非常快，有时也非常慢。使Numpy数组变快的关键是利用向量化操作，通常是在Numpy的通用函数（ufunc）中实现。

一、一般通用函数：

通用函数有两种存在形式：一元通用函数（unary ufunc）对单个输入操作，二元通用函数（binary ufunc）对两个输入操作。

1.数组的运算

Numpy通用函数得到使用方式非常自然，因为它用到了Python原生的算术运算符。

import numpy as np
x = np.arange(4)
print("x = ", x)
print("x + 5 = ", x + 5)
print("x - 5 = ", x - 5)
print("x * 2 = ", x * 2)
print("x / 2 = ", x / 2)

还有逻辑非、**表示大的指数运算符合%表示的模运算符的一元通用函数。

所有的这些算术运算符都是Numpy内置函数的简单封装器，例如+运算符就是一个add函数的封装器：

np.add(x, 2)  # array([2, 3, 4, 5])

下表示Numpy实现的算术运算符。

运算符	对应的通用函数	描述
+	np.add	加法运算（1+1=2）
-	np.subtract	减法运算（3-2=1）
*	np.multiply	乘法运算（2*3=6）
/	np.divide	除法运算（3/2=1.5）
//	np.floor_divide	地板除法（3/2=1）
**	np.power	指数运算（2**3=8）
%	np.mod	模/余数（9%4=1）

2.绝对值

正如Numpy能理解Python内置的运算符操作，Numpy也可以理解Python内置的绝对值函数：

x = np.array([-2, -1, 0, 1, 2])
abs(x) # ([2, 1, 0, 1, 2])

对应的Numpy通用函数就是np.absolute该函数也可以用别名np.abs来访问。

np.absolute(x)
np.abs(x) # ([2, 1, 0, 1, 2])

3.三角函数

Numpy提供了大量好用的通函函数，其中对于数据科学家最有用的就是三角函数。首先定义一个角度数组：

theta = np.linespace(0, np.pi, 3)
# 创建一个大小为3的角度数组，其值分布在0~pi

现在可以对这些值进行一些三角函数计算：

print("theta = ", theta)
print("sin(theta) = ", np.sin(theta))
print("cos(theta) = ", np.cos(theta))
print("tan(theta) = ", np.tan(theta))

4.指数和对数

Numpy中另一个常用的运算通用函数式指数运算：

x = [1, 2, 3]
print("e ^ x = ", np.exp(x))
print("2 ^ x = ", np.exp2(x))
print("3 ^ x = ", np.power(3, x))

指数运算的逆运算，即对数运算也时刻用的。最基本的np.log给出的是以自然数为底数的对数。如果你希望计算以2为底数或者以10为底数的对数，可以按照如下示例处理：

x = [1, 2, 4, 10]
print("ln(x) = ", np.log(x))
print("log2(x) = ", np.log2(x))
print("log10(x) = ", np.log10(x))

二、高级通用函数

很多Numpy用户在没有完全了解通用函数的特性时就开始使用它们，这里介绍一些高级通用函数的。

1.指定输出

在进行大量运算时，有时候指定一个用于存放运算结果的数组是非常有用的。不同于创建临时数组，你可以用这个特性将计算结果指定写入到你期望的存储位置。所有的通用函数都可以通过out参数来指定计算结果的存放位置：

x = np.arange(5) # 0 1 2 3 4
y = np.empty(5)
np.multiply(x, 10, out = y) # 将计算结果保存到y
print(y)

这个特性也可以被用作数组视图，例如可以将计算结果写入指定数组的每隔一个元素的位置：

y = np.zeros(10)
np.power(2, x, out = y[::2])
print(y)

如果这里写的是y[::2]=2 ** x那么结果将是创建一个临时数组，该数组存放的是2 ** x的结果，并且接下来会将这些值复制到y数组中。对于上述例子中比较小的运算量来说，这两种方式的差别并不大。但是对于较大的数组，通过慎重使用out参数将能够有效节约内存。

2.聚合

二元通用函数有些非常有趣的聚合功能，这些聚合可以直接在对象上计算。例如，如果我们希望用一个特定的运算reduce一个数组，那么可以用任何通用函数的reduce方法。一个reduce方法会对给定的元素和操作重复执行，直至得到单个的结果。

例如，对add通用函数调用reduce方法会返回数组中所有元素的和：

x = np.arange(1, 6)
np.add.reduce(x)
# 15

同样，对于multiply通用函数调用reduce方法会返回数组中所有元素的乘积：

np.multiply.reduce(x)
# 120

如果需要存储每次计算的中间结果，可以使用accumulate：

np.add.accumulate(x) # [1, 3, 6, 10, 15]
np.multiply.accumulate(x) # [1, 2, 6, 24, 120]

3.外积

最后，任何通用函数都可以用outer方法获得两个不同输入数组所有元素对的函数运算结果。这意味着你可以用一行代码实现一个乘法表：

x = np.arange(1, 6)
np.multiply.outer(x, x)

 

有关通用函数的更多信息（包括通用函数的完整列表）可以在Numpy（http://www.numpy.org）和SciPy（http://www.scipy.org）文档的网站找到。